Problemas de programacin en manufactura

la programacion de la produccion en manufacturas tipo taller {job shop) encuentra

muchas aplicaciones en sistemas reales de produccion, como empresas metal
mecanicas, de impresion, de textiles y otras mas. En general, en estos sistemas
de manufactura, el objetivo principal es entregar los trabajos a tiempo. se propone
un enfoque hibrido que utiliza la heuristica del cuello de botella movil (CBM) o
shifting bottleneck y la busqueda tabu (BT) con el objetivo de minimizar la tardanza
ponderada total. La heuristica CBM provee una solucion inicial factible que
sucesivamente es mejorada por el metodo de BT. En este trabajo se realizaron
varias mejoras sobre los algoritmos clasicos CBT y BT, como nuevos criterios para
la escogencia de las maquinas criticas o cuello de botella y novedosas estrategias
de diversificacion e intensificacion.
El desempeno de la heuristica propuesta (denominada CBBT) se evaluo con 17
problemas clasicos de la literatura sobre el tema. La heuristica implementada
muestra resultados muy competitivos comparados con otros enfoques
encontrados en la literatura tanto en la calidad de las soluciones como en el
tiempo computacional. Programar la produccion constituye una de las tareas mas
diiiciles que enfrentan las empresas que cuentan con sistemas tipo taller (Job
shop). Este problema ha sido ampliamente estudiado en la literatura sobre el tema
usando como funcion objetivo la terminacion de todos los trabajos {makespan). Sin
embargo, dado que la mayoria de estos sistemas opera bajo pedido [make-toordei), cumplir con las fechas de entrega de las ordenes representa
probablemente un objetivo mas importante (Bakery Hayya, 1982). Un programa de
produccion que no puede cumplir con los tiempos de entrega puede dar como
resultado bajos indices de servicio e insatisfaccion de los clientes. El problema que
se estudia en este trabajo consiste en programar un conjunto de trabajos en un
taller de maquinas con el objetivo de minimizar la tardanza ponderada total.
El problema de programacion tipo taller (JSSP, por su sigla en ingles) ha sido
estudiado por diferentes autores y es un problema no polinomial dificil (NP-Hard)
(Grahman etal, 1979). Muchos metodos han sido propuestos para resolverlo. Entre
estos se cuentan metodos exactos como algoritmos de ramificacion y acotacion y
metodos heuristicos de busqueda local. Entre los enfoques de ramificacion y
acotacion estan los desarrollados por Carliery Pison (1989), que permitieron
comprobar soluciones optimas para problemas de 10>^10 (10 trabajos y 10
maquinas). Para problemas mas grandes se han utilizado recientemente
heuristicas basadas en descomposicion, en especial el algoritmo del cuello de
botella movil, desarrollado por Adams, Balas y Zawack (1988) y en busquedas
locales como son busqueda tabu (Glover y Laguna, 1997), enfriamiento simulado
(Van Laarhoven et al, 1992; Wang y Wu, 2000) y algoritmos geneticos

(Ponnambalam, Aravinda y Sreenivasa, 2001). Para problemas cuya funcion

objetivo es minimizar la tardanza ponderada total la literatura sobre el tema es
escasa. Con frecuencia, para este problema se han utilizado reglas de despacho,
aunque su desempefio no es muy confiable (Anderson y N3arenda, 1990;
Vepsalainen y Morton, 1987). La heuristica cuello de botella movil fue adaptada
para el objetivo de tardanza ponderada total por Pinedo y Singer (1999). Otra
heuristica para el problema de Job shop con objetivo de la tardanza ponderada
total es la heuristica desarrollada por Asano y Ohta (2002).
El cuello de botella movil (CBM) o shifiing bottleneck, desarrollado por Adams,
Balas y Zawack (1989), es una de las heuristicas para programacion de talleres
mas exitosas (Pinedo y Singer, 1999). Su idea principal es secuenciar una a una
las maquinas del taller segun su grado de criticidad. Este ultimo es calculado de
acuerdo con la secuenciacion de las maquinas que afecta la funcion objetivo. El
algoritmo inicia con la determinacion del cuello de botella inicial y establece una
secuencia de trabajos optima para esa maquina. Una vez se ha hecho esta
operacion, se imponen nuevas restricciones que afectan la secuenciacion de las
maquinas restantes. Se determina y se secuencia la nueva maquina cuello de
botella entre aquellas no secuenciadas y el proceso se repite hasta que no haya
maquinas sin secuenciar.
En forma general, una heuristica local es un procedimiento que parte de una
solucion inicial (sj que pertenece a un conjunto finito de soluciones (S) y procede
iterativamente a modificar esa solucion s^para encontrar nuevas soluciones (s").
Una solucion s' se obtiene a partir de otra solucion s mediante una modificacion
parcial definida de s, a lo cual se denomina un movimiento. El algoritmo se detiene
cuando se cumple con un criterio de terminacion que tipicamente es un numero
predefinido de iteraciones.

Algoritmos genticos
un Algoritmo Gentico Simple es aquel l cual sintoniza un Sistema de Inferencia
Difusa que acta como clasificador. La tcnica propuesta usa el algoritmo de
agrupamiento Fuzzy C-means (FCM) para generar la poblacin inicial del
Algoritmo Gentico Simple. Se consideran dos problemas de referencia en
clasificacin con el fin de validar el algoritmo propuesto y compararlo con un
Algoritmo Gentico Simple. Los resultados muestran que es posible lograr una
reduccin significativa en el nmero de generaciones para encontrar un
clasificador objetivo usando la tcnica propuesta.

Entre las aplicaciones de los algoritmos genticos (AG), se encuentra la

optimizacin de Sistemas de inferencia diisa (SID) para solucionar problemas de
clasifieacin. Algunos de los trabajos previos en este tema son: Pea (2004)
presenta un ejemplo de diagnstico de cncer usando un algoritmo gentico
simple (AGS), el cual sintoniza un SID para clasificar entre muestras benignas y
malignas. Adems propone un enfoque coevolutivo para modelar un SID y lo
valida sobre el problema de diagnstico de cncer de mama de la Universidad de
Wisconsin y el problema de clasificacin de flores de la especie Iris. Liu et al.
(2006) desarrollan una aproximacin de un Algoritmo Rpido Gentico Difuso
proponiendo un nuevo mtodo de agrupamiento para obtener la poblacin inicial y
una modificacin del operador gentico de cruce. El mtodo propuesto se valida
con tres problemas de clasificacin, los dos primeros corresponden a las bases de
datos Phoneme y Satimage del proyecto ELENA y el tercero corresponde a la
base de datos Waveform del repositorio de aprendizaje de maquina de UCI.
Stavrakoudis et al. (2009) proponen el uso de un clasificador gentico diaso para
la clasificacin de cobertura de tierra de imgenes multiespectrales. Bazrafshanet
al. (2010) modifican el clasificador difuso de Ishibuchi, Ishibuchi et al. (1995),
Ishibuchi et al. (2004), Irizarry (2005), para manejar problemas de alta dimensin y
prueba ste con el problema de identificacin del golpe de las teclas. Los AG para
generar su poblacin inicial usan, en la mayora de los casos, inicializacin
aleatoria. El objetivo de usar este tipo de inicializaein es tratar de cubrir en su
totalidad el espacio de bsqueda y as reducir la posibilidad de converger en un
mnimo local, Holland (1992). Una de las dificultades asociadas a este tipo de
inicializacin es que se requiere un nmero elevado de iteraciones, llamadas
generaciones, para encontrar un individuo adecuado que solucione un problema
especfico debido a que la poblacin inicial posee una gran variedad gentica,
Bramlette ( 1991 ). Una forma para lograr una reduccin en el nmero de
generaciones necesarias para encontrar un resultado adecuado es usar
conocimiento previo deducido del problema para generar la poblacin inicial, Louis
& Johnson (1999). En trabajos anteriores se han propuesto diversas tcnicas para
inicializarun AG. Bramlette (1991) usa el mejor de n individuos elegidos de forma
aleatoria para obtener la poblacin inicial del AG. Gordon (1993) presenta un
mtodo para deducir por medio de un reporte de alto nivel las reglas para erear la
poblacin inicial de un AG. Rahnamayan et al. (2007) proponen un novedoso
enfoque de inieializacin que usa el aprendizaje basado en oposicin para generar
la primera poblacin de los algoritmos evolutivos. Dong et al. (2004) presentan un
algoritmo hbrido que usa la fase de inieializaein del algoritmo de agrupamiento
Fuzzy C-Means eon muestreo multiestado aleatorio (MRFCM) para crear una
poblacin inicial de centros de clases, luego usan esta poblaein en el algoritmo
de agrupamiento gentico difuso mejorado (GFGA) para ser optimizada y de esta
forma construir un clasificador en un menor nmero de iteraciones del proceso

evolutivo. Cabe aclarar que en esa propuesta no se usa un SID como clasificador,
por tanto no se hace uso de un conjunto de reglas para la clasificacin ni se
optimizan parmetros de conjuntos difusos, en este caso el clasificador obtenido
funciona mediante el resultado del agrupamiento difuso (centros y pertenencias).
Este trabajo propone una metodologa para configurar un modelo hbrido que
combina Fuzzy C-Means, Bezdek (1981), y AG para construir un clasificador
difuso. En primer lugar, el algoritmo usa la tcnica de aprendizaje no supervisado
para extraer las medias y las desviaciones estndar de los datos de entrenamiento
para construir los conjuntos difiisos del SID. Luego, el algoritmo aprovecha el
conoeimiento extrado para dedueir la poblaein inicial reduciendo el espacio de
bsqueda de la evolucin del AG.
El algoritmo gentico inicializado con Fuzzy C-Means (AGIFCM) se valida con el
problema de diagnstico de cncer de mama e Iris de Fisher, Frank & Asuncion
(2010). Varios SID con diferente nmero de reglas se obtienen por medio del
algoritmo propuesto y un AGS, comparndose la cantidad de generaciones
empleadas para obtener un desempeo especfico en cada caso. Los resultados
muestran que el algoritmo propuesto encuentra los parmetros del sistema difuso
usando menos generaciones que el AGS dado un nivel de error preestablecido.
Esta propuesta permite sintonizar un SID clasificador en fiincin de todos sus
parmetros, a diferencia de las otras propuestas de inicializacin consultadas,
adems el algoritmo de agrupamiento tiene un costo computacional bajo que no
influye negativamente en el tiempo de evolucin.

Bibliografa
http://web.b.ebscohost.com/ehost/pdfviewer/pdfviewer?sid=7f10fefa-6e5c-4d0f9415-a63c93f76838%40sessionmgr112&vid=7&hid=109
http://web.b.ebscohost.com/ehost/pdfviewer/pdfviewer?sid=7f10fefa-6e5c-4d0f9415-a63c93f76838%40sessionmgr112&vid=10&hid=109
http://web.b.ebscohost.com/ehost/pdfviewer/pdfviewer?sid=7f10fefa-6e5c-4d0f9415-a63c93f76838%40sessionmgr112&vid=24&hid=109